一种面向电网调控需求的可调节负荷调节能力评估方法

摘要

本发明公开了一种面向电网调控需求的可调节负荷调节能力评估方法，属于电网需求侧管理技术领域。依据需求侧资源特性构建可调节负荷广义模型，拟合用能行为与多种不确定因素的二次回归动态关系，利用聚类法提取不同用户间的相似用能行为，依据聚类结果得到源域与目标域各用户用能行为与不确定因素的二次回归参数，计算类内用户间参数特征余弦相似度，根据余弦相似度求取目标域可调节负荷调节能力概率分布，根据局部最大平均差对齐源域与目标域用户的用能行为特征，利用基于特征对齐的在线迁移学习网络模型对目标域可调节负荷调节能力进行评估。本发明能够实现对需求侧可调节负荷调节能力进行评估，为需求侧管理提供了理论参考和技术支撑。

说明书

技术领域

本发明属于电网需求侧管理技术领域，具体涉及一种面向电网调控需求的可调节负荷调节能力评估方法。

背景技术

随着分布式资源并网比例增加，传统机组大量退役，需求侧大量柔性负荷无序接入，尖峰负荷局势日益突出，分布式电源出力难以跟踪负荷曲线，弃风、弃光现象严重，电网调节能力严重不足，安全稳定运行面临挑战，极易造成电网重载过载运行，甚至导致电网崩溃，由此引发的大停电事故频频发生。需求侧实现需求响应是提升系统调节能力、力促新能源消纳保障系统安全稳定的重要方向。

面对新型电力系统运行特性，将需求侧可调节负荷资源纳入常态化电网运行调控中，推动电网由“源随荷动”向“源荷互动”转变，实现对可调节负荷调节能力评估十分迫切和必要。为了应对电网“双高”特性带来的源荷失衡问题，需求侧可调节负荷资源亟待挖掘，因此，面向电网调控需求的可调节负荷调节能力评估方法具有重要的研究意义。

发明内容

本发明的目的在于提供一种面向电网调控需求的可调节负荷调节能力评估方法，以将需求侧可调节负荷资源纳入常态化电网运行调控中，推动电网由“源随荷动”向“源荷互动”转变。

为实现上述目的，本发明采用如下技术方案：

一种面向电网调控需求的可调节负荷调节能力评估方法，包括：

获取需求侧待评估用户用能数据，所述用户用能数据包括用户用能行为、不确定因素和电价；

将所述待评估用户用能数据输入训练好的在线迁移学习网络模型，模型输出用户可调节负荷调节比率。

进一步地，所述在线迁移学习网络模型通过以下方法训练得到：

获取源域历史用能数据和目标域历史用能数据；

分别根据源域和目标域数据中用户用能行为与影响用户用能行为的不确定因素构建源域可调节负荷广义模型和目标域可调节负荷广义模型，分别基于所述源域可调节负荷广义模型和目标域可调节负荷广义模型拟合得到源域和目标域用户用能行为与多种不确定因素的二次回归动态关系；

分别对源域和目标域历史用能数据进行聚类提取不同用户间的相似用能行为，根据源域和目标域聚类结果以及源域和目标域用户用能行为与多种不确定因素的二次回归动态关系分别得到类内源域与目标域用户用能行为与不确定因素的二次回归参数；

计算类内目标域与源域用户用能行为与不确定因素的二次回归参数特征余弦相似度，根据余弦相似度求取目标域可调节负荷调节能力概率分布；

基于所述目标域可调节负荷调节能力概率分布，根据局部最大平均差对齐源域与目标域用户的用能行为特征，通过不断训练模型使得损失函数最小，直至模型收敛。

进一步地，所述可调节负荷广义模型为：

P

式中，P

进一步地，所述用户用能行为与多种不确定因素的二次回归动态关系为：

f

式中，f

进一步地，所述对源域和目标域历史用能数据进行聚类提取不同用户间的相似用能行为，包括：

随机选取K个用户用能历史数据，作为初始聚类中心；

计算剩余样本到聚类中心的距离，并将样本赋给最近的簇：

式中，K为聚类数目，v

更新聚类中心：

式中，N为用户数量；

判断收敛条件，使得下式最小：

进一步地，所述类内目标域与源域用户用能行为与不确定因素的二次回归参数特征余弦相似度，根据以下步骤计算：

设源域第k类第i个用户用能行为与不确定因素的二次回归参数集为：

式中，

目标域第k类第i个用户用能行为与不确定因素的二次回归参数集为：

式中，

根据下述公式计算目标域第k类第i个用户二次回归参数与源域第k类第j个用户二次回归参数间余弦相似度：

式中，

进一步地，所述根据余弦相似度求取目标域可调节负荷调节能力概率分布，包括：

根据余弦相似度，计算目标域用户可调节负荷调节能力伪标签：

式中，N为用户数量，cosθ

将所述目标域用户可调节负荷调节能力伪标签转化为其概率分布：

式中，

进一步地，所述基于所述目标域可调节负荷调节能力概率分布，根据局部最大平均差对齐源域与目标域用户的用能行为特征，包括：

由再生希尔伯特空间核函数得到局部最大平均差的无偏估计为：

式中，p、q为响应数据集分布，K为聚类数目，D

对源域和目标域网络模型的全连接层进行特征对齐，得到无偏估计为：

式中，p、q为响应数据集分布，K为聚类数目，N为用户数量，

进一步地，所述在线迁移学习网络模型损失函数如下：

式中，N为用户数量，H为交叉熵损失，x

与现有技术相比，本发明所具有的有益效果为：

本发明其中一个有益效果在于，基于当前电力市场环境及多元化利益需求，计及影响用户用能行为的多种不确定因素，根据类内用户间参数特征余弦相似度，得到目标域用户可调节负荷调节能力伪标签，有效提取典型用户用能行为与历史调节数据间的关联特征。

本发明其中一个有益效果在于，考虑不同样本权重，利用局部最大平均差测量源域和目标域相关子域的经验概率分布，并嵌入再生希尔伯特空间核函数，在用户分类的基础上，将局部最大平均差作为在线迁移学习特征对齐指标，以此降低了在线迁移学习存在的负迁移影响问题。

本发明其中一个有益效果在于，根据局部最大平均差对齐源域与目标域用户的用能行为特征，利用基于特征对齐的在线迁移学习，实现目标域可调节负荷调节能力评估，力促新能源消纳、源荷动态平衡，保障系统安全稳定，为需求侧管理提供理论参考和技术支撑，有效降低运行风险，提升系统能效。

附图说明

图1是本发明实施例一种面向电网调控需求的可调节负荷调节能力评估方法流程图；

图2是本发明实施例的在线迁移学习网络模型训练流程图。

具体实施方式

下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如前所述，将需求侧可调节负荷资源纳入常态化电网运行调控中，推动电网由“源随荷动”向“源荷互动”转变，实现对可调节负荷调节能力评估十分迫切和必要。

为此，本发明实施例提供了一种面向电网调控需求的可调节负荷调节能力评估方法，如图1所示，该方法包括：

步骤11，获取需求侧待评估用户用能数据，所述用户用能数据包括用户用能行为、影响用户用能行为的不确定因素和电价；

步骤12，将所述待评估用户用能数据输入训练好的在线迁移学习网络模型，模型输出用户可调节负荷调节比率，即调节量占总负荷的百分比。

其中，在线迁移学习网络模型包括源域和目标域网络模型，源域和目标域网络结构相同，均由输入层、M层卷积层、L层全连接层、输出层依次连接共同组成。

如图2所示，在线迁移学习网络模型通过以下方法训练：

步骤21，获取源域历史用能数据和目标域历史用能数据；

获取需求侧负荷资源数据特征，基于电网结构进行纵向分层，结合启发式动态划分方法进行横向分区与资源聚合，将需求侧划分为多个分层分区。选取其中一个分层分区作为目标域，获取目标域历史用能数据。

在本实施例中，目标域样本包含少量智能楼宇、工商业用户、居民历史用能数据，使用的源域样本包含大量建筑历史用能数据。其中，目标域和源域用能数据各自包括用户用能行为、影响用户用能行为的多种不确定因素和电价。

步骤22，分别根据源域和目标域数据中用户用能行为与影响用户用能行为的不确定因素构建源域可调节负荷广义模型和目标域可调节负荷广义模型，分别基于所述源域可调节负荷广义模型和目标域可调节负荷广义模型拟合得到源域和目标域用户用能行为与多种不确定因素的二次回归动态关系；

可调节负荷广义模型用于描述用户用能行为和不确定因素变化的关系。为了反映广义可调节负荷随时间变化的用能曲线，其用能曲线可用下式表示：

P

式中，P

对于不确定因素影响敏感的用户，可以通过二次回归方程来刻画可调节负荷功率变化与不确定因素的关系，以拟合用能行为与多种不确定因素的二次回归动态关系如下：

f

式中，f

步骤23，分别对源域和目标域历史用能数据进行聚类提取不同用户间的相似用能行为，根据源域和目标域聚类结果和以及源域和目标域用户用能行为与多种不确定因素的二次回归动态关系分别得到类内源域与目标域用户用能行为与不确定因素的二次回归参数；

其中，利用K聚类算法对源域和目标域历史用能数据分别提取不同用户间的相似用能行为。

考虑可调节负荷特性，选取K个样本点，每个样本点代表每个簇的初始聚类中心，然后计算剩余样本到聚类中心的距离，将它赋给最近的簇，接着重新计算每一簇的平均值，整个过程不断重复调整聚类中心，当聚类中心不在改变时，则数据聚类形成的簇已经收敛，输出K类用户用能行为。具体为：

(1)随机选取K个用户用能历史数据，作为初始聚类中心；

(2)计算剩余样本到聚类中心的距离，并将样本赋给最近的簇：

式中，K为聚类数目，v

(3)更新聚类中心：

式中，N为用户数量；

(4)判断收敛条件，使得下式最小：

步骤24，计算类内目标域与源域用户用能行为与不确定因素的二次回归参数特征余弦相似度，根据余弦相似度求取目标域可调节负荷调节能力概率分布；

其中，类内目标域与源域用户用能行为与不确定因素的二次回归参数特征余弦相似度，根据以下步骤计算：

设源域第k类第i个用户用能行为与不确定因素的二次回归参数集为：

式中，

目标域第k类第i个用户用能行为与不确定因素的二次回归参数集为：

式中，

根据下述公式计算目标域第k类第i个用户二次回归参数与源域第k类第j个用户二次回归参数间余弦相似度：

式中，

其中，根据余弦相似度求取目标域可调节负荷调节能力概率分布，具体包括以下步骤：

根据余弦相似度，计算目标域用户可调节负荷调节能力伪标签：

式中，N为用户数量，cosθ

将所述目标域用户可调节负荷调节能力伪标签转化为其概率分布：

式中，

步骤25，基于所述目标域可调节负荷调节能力概率分布，根据局部最大平均差对齐源域与目标域用户的用能行为特征，通过不断训练模型使得损失函数最小，直至模型收敛。

该步骤具体包括：

由再生希尔伯特空间核函数得到局部最大平均差的无偏估计为：

式中，p、q为响应数据集分布，K为聚类数目，D

对源域和目标域网络模型的全连接层进行特征对齐，得到无偏估计为：

式中，p、q为响应数据集分布，K为聚类数目，N为用户数量，

其中，在线迁移学习网络模型损失函数如下：

式中，N为用户数量，H为交叉熵损失，x

重复上述步骤，通过不断训练模型使得损失函数最小，直至模型收敛，得到特征对齐的在线迁移学习网络模型。该模型即可用于对目标域可调节负荷调节能力进行评估。

以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。